此解决方案提供了一套基于深度学习图神经网络的实时反欺诈系统架构，可用于电商网站、视频直播、棋牌游戏、社交应用等各种场景。此方案可以帮助您的企业检测黑产造成的刷单炒信、数据爬取、 账户盗用、虚假申贷等非正常业务行为。
此解决方案是基于Amazon Neptune, Amazon SageMaker, Amazon Glue等亚马逊云科技服务构建的。其中，方案的核心部分是基于开源的Deep Graph Library(DGL)实现的，DGL是一个用于实现图神经网络的开源框架。解决方案背后的深度学习技术由亚马逊云科技上海人工智能研究院助力提供，旨在为您带来最前沿的人工智能应用。
此解决方案附带了一个端到端的演示示例，展示了金融场景下的欺诈检测用例。演示示例里使用了IEEE-CIS的开源数据集并将表格数据构造成了一个异构图，并训练了图神经网络模型用于实时欺诈交易检查。通过这个示例，您可以看到上千的在线交易生成，其中的可疑交易被检测出来。
亚马逊云科技解决方案概述
下图显示了此解决方案的架构，包含“实时欺诈检测”和“离线模型训练”两部分。您可以联系亚马逊云科技销售顾问来获取实施指南和Amazon CloudFormation部署模板。
架构描述
此解决方案将会部署如下云上资源：
- Amazon Virtual Private Cloud (Amazon VPC) 隔离的网络中部署方案使用的资源。
- Amazon Step Functions 编排流水线训练使用 GNN 的深度学习模型，以及部署推理的端点。
- 流水线使用了 Amazon Simple Storage Service (Amazon S3), Amazon Neptune, Amazon Glue, Amazon Elastic Container Service (Amazon ECS) and Amazon SageMaker 等服务处理数据，导入图数据到图数据库，训练模型，部署推理端点。
- Amazon Lambda 函数处理实时的交易请求，查询图数据库 Amazon Neptune，并且使用 Amazon SageMaker 推理交易的欺诈可能性。
- 利用 Amazon S3 提供基于 Amazon Amplify JS 函数库的静态 Web 程序托管，Amazon SQS, Amazon Lambda, Amazon AppSync 以及 Amazon DocumentDB 共同构建了后端服务。Amazon CloudFront 用于安全分发可公开访问的方案 Web 程序。
在您部署解决方案后，您可以通过 Amazon Step Functions 控制台启动流水线训练解决方案的机器学习模型。在模型训练完成之后通过 Web 程序模拟在线交易请求，通过 Web 程序观察实时欺诈交易检查报告。
原创文章，作者：奋斗，如若转载，请注明出处：https://blog.ytso.com/notes/96215.html